Pemahaman mendalam tentang kaedah penjanaan nombor rawak dan aplikasi dalam numpy

Teroka kaedah dan aplikasi NumPy untuk menjana nombor rawak

Pengenalan:
Nombor rawak mempunyai pelbagai aplikasi dalam sains komputer dan statistik, seperti eksperimen simulasi, penjanaan data dan pemilihan ciri. Dalam Python, perpustakaan NumPy (Numerical Python) ialah perpustakaan pengkomputeran berangka yang berkuasa yang menyediakan banyak fungsi untuk menjana nombor rawak. Artikel ini akan meneroka kaedah penjanaan nombor rawak dalam NumPy dan memberikan contoh kod khusus.

1. Fungsi penjanaan nombor rawak NumPy
NumPy menyediakan pelbagai fungsi untuk menjana nombor rawak, antaranya yang berikut biasanya digunakan:

1. np.random.rand
   Fungsi np.random.rand(rendah, tinggi, saiz ) digunakan untuk menjana nombor rawak dalam julat [0, 1). Antaranya, parameter rendah dan tinggi adalah pilihan dan digunakan untuk menentukan julat nombor rawak, parameter saiz adalah pilihan dan digunakan untuk menentukan bilangan nombor rawak yang dihasilkan.

Kod sampel adalah seperti berikut:

import numpy sebagai np

Jana nombor rawak

random_num = np.random.rand()
print("Jana nombor rawak: ", random_num)

Janakan

julat dalam [ Nombor rawak dalam lingkungan 0, 10)

julat_num_rawak = np.random.rand() * 10
print("Jana nombor rawak dalam julat [0, 10):", julat_bilangan_rawak)

Jana rawak 3x3 Matriks nombor

matriks_rawak = np.random.rand(3, 3)
cetak("Jana matriks rawak 3x3:
", matriks_rawak)

2. np.random.randn
   Fungsi np.random0.dn1 , ..., dn) digunakan untuk menjana satu set nombor rawak daripada taburan normal piawai, iaitu nombor rawak dengan min 0 dan varians 1. Antaranya, parameter dn digunakan untuk menentukan dimensi nombor rawak yang dijana.

Kod sampel adalah seperti berikut:

import numpy sebagai np

Jana nombor rawak dengan taburan normal piawai

random_normal = np.random.randn()
print("Jana nombor rawak dengan normal piawai taburan:" , rawak_normal)

Janakan matriks rawak dengan taburan normal piawai dengan dimensi 2x2

matriks_normal_rawak = np.random.randn(2, 2)
print("Janakan matriks rawak dengan taburan normal piawai dengan dimensi 2x2:
", random_normal_matrix)

3. np.random.randint
   Fungsi np.random.randint(rendah, tinggi, saiz) digunakan untuk menjana nombor rawak integer dalam julat yang ditentukan. Antaranya, parameter rendah dan tinggi digunakan untuk menentukan julat nombor rawak, parameter saiz digunakan untuk menentukan bilangan nombor rawak yang dihasilkan.

Kod sampel adalah seperti berikut:

import numpy sebagai np

Jana nombor rawak integer dalam julat [0, 10)

random_int = np.random.randint(0, 10)
print(0, 10)

satu [0 , 10) nombor rawak integer dalam julat: ", random_int)

Jana nombor rawak integer dalam julat [-5, 5)

random_int_range = np.random.randint(-5, 5)

cetak (" Hasilkan nombor rawak integer dalam julat [-5, 5): ", random_int_range)

Jana matriks rawak integer 3x3 dalam julat [0, 10)

random_int_matrix = np.random.randint(0, 10 , saiz=(3, 3))
print("Janakan matriks rawak integer 3x3 dalam julat [0, 10):

", random_int_matrix)

2 Aplikasi nombor rawak

Nombor rawak dalam pembelajaran mesin Ia penting aplikasi dalam analisis data dan analisis data Dua senario aplikasi biasa akan diperkenalkan di bawah.

1. 
   Eksperimen simulasi
Nombor rawak boleh digunakan untuk eksperimen simulasi, seperti mensimulasikan keputusan membaling dadu, mensimulasikan jalan-jalan rawak dan keputusan permainan besbol, dsb. Dengan menjana nombor rawak, anda boleh menjalankan sejumlah besar eksperimen dan menganalisis keputusan eksperimen dengan mudah.

Kod sampel adalah seperti berikut:

import numpy sebagai np

Simulasikan dadu bergolek

dice_roll = np.random.randint(1, 7, saiz=10)

cetak("Hasil membaling dadu: ", dice_roll)

2. 
   Penjanaan data
Nombor rawak boleh digunakan untuk menjana data, seperti menjana nombor rawak yang mematuhi pengedaran tertentu dan digunakan untuk membina set data ujian. Senario aplikasi biasa termasuk menjana data pengedaran Gaussian, menjana data klasifikasi dan menjana data imej.

Kod sampel adalah seperti berikut:

import numpy sebagai np

Jana nombor rawak yang mematuhi taburan normal

gaussian_data = np.random.randn(1000)

cetak("Nombor rawak yang mematuhi taburan normal" gaussian_data )

Jana data terperingkat

label_kelas = np.random.randint(0, 2, saiz=1000)

print("Label data terkelas:", label_kelas)

Kesimpulan:

Artikel ini meneroka kaedah NumP secara rawak nombor dan aplikasinya. Dengan menggunakan fungsi penjanaan nombor rawak yang disediakan oleh NumPy, anda boleh menjana pelbagai jenis nombor rawak dengan mudah dan menggunakannya pada senario seperti eksperimen simulasi dan penjanaan data. Nombor rawak memainkan peranan penting dalam statistik dan sains komputer, jadi menguasai kaedah NumPy untuk menjana nombor rawak adalah sangat penting untuk analisis data dan pembelajaran mesin.

Rujukan:

1. Dokumentasi rasmi Numpy: https://numpy.org/doc/stable/reference/random/index.html

🎜

Atas ialah kandungan terperinci Pemahaman mendalam tentang kaedah penjanaan nombor rawak dan aplikasi dalam numpy. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!